谁在争夺“具身大脑”？

2026.07.29 文｜产业家 吴坤谚 进，可以吸引更多本体厂商进行接口适配，形成一套跨硬件复用的算法能力，争夺“公共大脑”的位置；退，也可以培养开发者习惯，为后训练、算力、存储、仿真和部署创造付费场景。 2008年，谷歌把安卓免费“送”给全球手机厂商和开发者。通过统一的软硬件接口，改变了应用分发、数据和服务的价值排序。 掌握“灵魂”定义权的玩家，最终攫取了硬件的核心价值。沿着类似的产业逻辑，具身智能也在开源“赚钱”的道路上狂奔。 资源雄厚的大厂是显眼的风向标。 7月8日，蚂蚁集团旗下蚂蚁灵波科技宣布全面开源具身基座模型LingBot-VLA 2.0，后训练工具链同步开放。此前半年，腾讯开源混元3D世界模型2.0，为具身智能开放平台Tairos迭代技术底座；阿里则早一步与英伟达在Physical AI领域达成合作，把具身智能写进了云的版图。 多家大厂相继开源具身模型与后训练工具链，折射出其产业角色由出售训练资源开始迁移。 开源的风，同样吹到了垂直独角兽这边。本体厂商陆续开源VLA模型、数据集与训练工具，智元、宇树均在其中；以模型起家的自变量、银河通用，还在开源的基础上，搭建起数据采集的Infra。 无人愿意让渡“灵魂”的原因，写在宇树不久前披露的招股书里。“大脑”既是机器人规模化进入工业生产、社会服务和家庭生活的认知能力基础，也是全球相关企业的发展瓶颈。 瓶颈意味着溢价，开源则是产业争夺这部分智能溢价的惯常手段。 进，可以吸引更多本体厂商进行接口适配，形成一套跨硬件复用的算法能力，争夺“公共大脑”的位置；退，也可以培养开发者习惯，为后训练、算力、存储、仿真和部署创造付费场景。 相比于智能手机，具身大脑多了一层智能的演进过程，有待在真实场景中反复训练和验证。开源能够降低模型的获取成本，却无法解决数据的来源问题。 自商业化的角度看，大厂需要证明，免费的基础模型能够转化为持续的云和工具链收入；自变量、银河通用等独角兽则需要证明，模型可以通过自有或合作本体进入真实场景，让每一次部署产生可复用的数据，进而提升能力、摊薄下一次交付的成本。 一、大厂还在“修路”？ 2023年大语言模型爆发后，不同类型的主体迅速形成了以智能为价值中心的产业链。 创业公司需要租用GPU训练模型，企业需要调用模型接口打造应用，开发者需要数据库、存储和推理服务。模型能力在充分的数据供给下快速迭代，API调用量与消耗的Token随之成为新的计量单位。 算力、模型和应用由此汇合在云端，虽计算资源的载体有所变化，但不妨碍云厂商借着AI，成为最早获得确定性收入的一批企业。 要想富，先修路。具身的智能也经历了相似的需求扩张，面对雨后春笋般冒出的机器人企业，大厂直觉性的第一步当然是向所有参与者出售GPU和存储资源。 在产业的主要矛盾还集中在本体量产交付时，这是大厂风险最低的选择。而今，AI云的供给形态生变，推动大厂将资源投向开源具身模型。 对云厂商而言，语言模型的商业模式已经相当成熟。基础模型被嵌入云、代码、数据库等应用，能力经由产品入口转化为API请求和Token消耗，这让技术优势可以更顺畅地转化为收入，也会更快被模型追赶和价格竞争稀释。 2026年以来，头部大模型仍在快速更新。7月16日，月之暗面推出最新万亿参数模型Kimi K3；三天后，阿里紧随其后上线了Qwen3.8-Max-preview；还有消息称，DeepSeek V4将发布正式版。 云厂商既需要比拼语言模型的能力与产品化，同时也需要寻找尚未完成利益分配的新市场。产业落地方兴未艾的具身智能便成为AI云厂商渴求的蓝海。 另一方面，随着具身大脑成为制约产业发展的要素，客户需求也走出了同质的算力，向数据处理、仿真、后训练等环节延伸。 在这个尚未成熟的市场，智能是卡位的前提。开源具身模型也就有了更多商业可能——模型不只提供能力，也会反向规定数据怎样采集、动作怎样表达、本体怎样适配。 越是具备通用能力的智能“大脑”，越有可能吸引客户在自家基础设施上“长脑子”。反过来，采用“大脑”后丰富的环节也扩充了云服务的付费点。 只是上一轮连接算力与应用的是一条只属于信息的高速公路，这一轮信息通路却需要深入工厂、仓库和商业现场，更像一张复杂的毛细血管网络。 如果简单复制大语言模型时代的路径，未必能够轻易复现“修路”式的增长，反倒是让商业目的走在了能力兑现的前面。 首当其冲的是具身数据比语言数据更难流动。语言模型背靠多年积累的互联网数据，预训练完成后，又可以通过API直接交付能力。具身模型面对的则是分散在物理世界中的视频、关节状态、力觉、触觉和动作轨迹，受到实时性、数据安全和现场网络条件的限制，这是大厂力有不逮的长尾。 更重要的是，具身智能还没有发掘出自己的“Token”。这是语言模型智能的最小单位，让服务可以被统一调用、衡量和收费。反观具身智能，本体工作一小时的轨迹，会随本体构型、任务难度和数据质量发生变化。 在缺乏统一计量方式的情况下，即便大厂向产业提供“模型、数据与工具”的组合供给，也很难让商业模式走出项目制的泥潭，走向标准化。 就像云计算诞生后逐渐生长至成熟的IaaS、PaaS甚至是MaaS，云厂商开源具身大脑，只是铺下了第一段路基。 谁能把分散在不同项目中的数据、评测和部署经验沉淀为可复用资产，谁才可能把零散的算力订单变成持续的平台收入。 二、独角兽寻找闭环 具身大脑的竞速，归根结底是建立一条数据、模型、部署与回流的闭环。 闭环谁都想要，但技术栈如何组合、闭环由谁掌握，行业尚未形成统一答案。这导致不同产业角色各有侧重，但不同路径的边界并不清晰，能力上时有交叉。 以企业的核心支点为依据，具身“大脑”玩家大致形成四条路径。首先就是前文提到的大厂，不会重注某个单一路径，向所有参与者出售算力、数据和工具。 机器人本体起家的智元、松延动力和宇树，为了打破出货瓶颈，避免长期停留在硬件制造和项目集成环节，“长脑子”以及后续数据、真机/仿真学习是必选项。 自变量、千寻智能、智平方和星海图从基础模型起步，试图让一套智能跨越不同本体，争取软件与平台价值。 最后一类企业更靠近场景。银河通用利用仿真、合成数据与真实作业反馈训练模型，再将能力压进零售、工业等边界相对明确的任务。它们不等待通用智能完全成熟，而是先用解决方案获得收入和数据。 技术版图相互交叉的背后是不同的商业重心，分别指向整机销售、平台复用与场景交付。其中，自变量与银河通用，代表了横向开放和纵向闭环两种更具辨识度的选择。 在旗舰模型侧，自变量以WALL-B强调世界建模、空间推理与事件演化；在开放生态侧，则通过Wall-OSS系列公开权重以及训练、推理和评测代码。两条产品线都具有明确的产业意图，即尽可能放大模型的通用性，加速第三方生态扩张，扩大实地验证范围。 开发者在不同机器人和场景中使用模型，相当于替“大脑”做了前置市场教育。开源社区由此成为一个销售漏斗：能够通过基础模型完成初步验证的客户，后续可能购买后训练、数据服务、数采设备或整套机器人方案。 漏斗越宽，自变量越有机会捕捉场景以及其后的商业价值。上半年以来，自变量加速“扩列”，B端与顺丰、金杯股份达成合作，场景集中于机械臂与灵巧手；C端则进入58同城到家平台，推出由自家机器人与保洁阿姨协同完成的智能保洁家庭服务。 不过，看似多线并举的业务也折射出开放的挑战。第三方机器人产生的数据，并不会因为使用了开源模型就自动回到模型公司——其与58同城的合作便投入自家机器人，借平台之手触达家庭这个长尾场景。 另一项佐证是自变量重投入建设数采设施，其自建数据工厂的时间可追溯到两年前。 向外开放模型、算法和训练框架；向内建设数采、训练和验证能力，让自变量的开源呈现出“外开内收”的特征。 银河通用的路径更接近纵向一体化，以自研合成数据管线与自有本体模型为锚。其开发者平台提供GalbotSDK、仿真资产与分层解决方案，核心场景模型则优先服务于GALBOT G1本体的零售、工业等商业化落地，对外同步开放遥操系统 OpenWBT、合成数据集与部分训练代码。 商业合作上，银河通用深入药房、便利店与工业搬运等具备共性的场景，如美团到家服务中的智慧零售、无人药房；与博原资本设立合资公司，聚焦复杂装配、智能质检等制造任务。 如果说自变量是在广场上搭建公共舞台，邀请不同身体测试同一颗大脑；银河通用更像经营直营连锁：统一机器人、统一工具链，再选择可以复制的场景开店。无论什么场景，商业交付本身即是数据采集站。 似这般模型、本体和场景由同一家公司控制的模式，使银河通用的数据回流更短、迭代更快，让模型进步与客户付费形成更清晰的对应关系。另一方面，机器人在同一套“题库”里越做越熟，并不天然证明它换一副身体、进入陌生行业后仍然聪明。 以银河通用主打的智慧零售、药房场景为例，机器人在药房货架间稳定取货，并不等于进入家庭或物流仓库后仍然有效。言下之意，银河通用用更短的数据回路换取商业确定性，也丢失了一些扩张的腾挪空间。 有业务兜底的大厂高屋建瓴，可以先修路建收费站；独角兽们却没有这般“余庆”，它们既要证明脑子足够聪明，也要尽快找到好身体，把模型送进真实场景，换回收入与数据。 企业的业务落地紧密贴合技术路线，回应的是有限资本与发展过程中的阶段性取舍。一横一纵，前者押注平台效应和通用能力的溢价，后者押注场景复制与单位经济性。 三、提前计算的溢价 大厂持续进入，独角兽也刚刚形成自己的头部。无论闭环如何组织，越来越多具身企业给了“大脑”更高的发展优先级。 形态各异的终端硬件受到自由度和制造成本的约束，解决方案容易被具体场景锁定，甚至数据平台也受制于来源的分散、标准不一。 “大脑”则不一样。一套模型如果能够跨越不同本体、任务与环境复用，便可能将一次训练形成的能力复制到更多机器人上——产业角度，“大脑”承载着最强的通用想象；市场角度，这是投资者们最热衷的边际成本递减的故事。 VLA、世界模型、分层控制等路线仍在并行探索，每一种尚未被证伪的路线，都可能被解释为通往通用具身智能的入口。 于是，不同角色从各自位置出发，最终都把“大脑”视为摆脱线性增长的机会。资本市场则在定价上，为其做了最后一次助推。 当一项技术本身的产业必要性、技术可能性与资本想象被叠加在了一起，其未来可能获得的通用溢价，便被提前计入了今天的竞争。 不论是验证“大脑”的泛化能力，还是兑现商业价值，对应的场景落地都是必由之路。可以看到，近一年来不同层级的具身智能企业频繁与产业链企业合作，为模型找终端，为终端找场景。如前文提到，进入家政的自变量机器人与银河通用—博世的工业合作。 值得注意的是，具身智能的场景共创带有明显的政企牵引特征。7月24日，宇树科技与成都市达成战略合作，还有东风柳汽×优必选、上汽北京×逐际动力等——电力、汽车制造、工业园区等率先开放的场景，往往掌握在央国企、地方产业平台或大型企业手中。 那么，“大脑”是否真的具备对应的产业价值？物流恰好提供了一个观察窗口。 前文提到，顺丰与自变量达成合作，把部分柔性分拣任务交给具身机器人试验。另一家物流企业则在业务现场沿用了成熟的专用自动化，从而将更多资源投入进企业决策大脑中。 两种选择不是对智能的信仰不同，而是对单位任务成本的判断不同。 要知道，倘若企业要在某个物流分拣中使用具身智能灵巧手、机器人，可能涉及停线、并线测试或局部改造，再不断通过失败案例学习至可控。这其中的损失包括停线、采购部署、驻场人工等。 内部人士告诉产业家，灵巧手和通用机器人的寿命、维护成本与停线损失尚未达到大规模替代人工的条件。目前的标准件可以基本交给专用自动化设备，至于需要智能的异形件，还不如留给人工分拣。 企业客户都会算两笔账：把环境改造成机器容易理解的样子，需要多少钱；让机器人理解一个未经改造的环境，又需要多少钱。前者是环境改造成本，后者是机器人智能成本。 只有当柔性机器人减少的改造费用、人工投入和设备切换成本，超过其模型与本体成本，具身智能才具备商业优势。 进一步说，通用性是“大脑”的技术价值，单位任务成本才是客户承认的产业价值。 具身智能试图把场景、数据、模型和本体连成闭环，但这项指标像一把刻刀，将价值分割在数据生产、模型训练、本体制造和场景运营等环节。至少现阶段，它还没有像移动互联网的应用商店、云计算的基础平台那样，向单一入口集中。 可以预见，不同场景所需的智能将加速分层。高吞吐、固定流程的任务会继续采用专用自动化；环境多变、任务价值更高的场景，才有动力购买更通用的具身智能。所谓“公共大脑”，也不一定是一个模型包揽所有机器人，更可能是一套被广泛采用的数据格式、硬件接口、评测体系和部署工具。 只有当一次训练形成的能力能够以更低成本迁移到下一台机器人、下一个任务，“大脑”的技术通用性才会转化为商业上的规模效应。 大厂开源模型、独角兽争夺闭环，都是在提前押注这一刻的到来。它的溢价已经写进融资估值和资源投入，却还没有完全落到客户的账本上。 获取更多RSS：https://feedx.net https://feedx.site